CN111428224A - 基于人脸识别的电脑账户登录的方法 - Google Patents

基于人脸识别的电脑账户登录的方法 Download PDF

Info

Publication number
CN111428224A
CN111428224A CN202010256430.5A CN202010256430A CN111428224A CN 111428224 A CN111428224 A CN 111428224A CN 202010256430 A CN202010256430 A CN 202010256430A CN 111428224 A CN111428224 A CN 111428224A
Authority
CN
China
Prior art keywords
search
network
face
face recognition
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202010256430.5A
Other languages
English (en)
Other versions
CN111428224B (zh
Inventor
马祥
喻勇涛
高文强
鄢丽萍
张耀营
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Jieruisi Intelligent Technology Co ltd
Original Assignee
Suzhou Jieruisi Intelligent Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Suzhou Jieruisi Intelligent Technology Co ltd filed Critical Suzhou Jieruisi Intelligent Technology Co ltd
Priority to CN202010256430.5A priority Critical patent/CN111428224B/zh
Publication of CN111428224A publication Critical patent/CN111428224A/zh
Application granted granted Critical
Publication of CN111428224B publication Critical patent/CN111428224B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/30—Authentication, i.e. establishing the identity or authorisation of security principals
    • G06F21/31—User authentication
    • G06F21/32—User authentication using biometric data, e.g. fingerprints, iris scans or voiceprints
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Security & Cryptography (AREA)
  • Probability & Statistics with Applications (AREA)
  • Human Computer Interaction (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Multimedia (AREA)
  • Computer Hardware Design (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于人脸识别的电脑账户登录的方法。本发明一种人脸识别的装置，包括：人脸采集模块、模型架构搜索模块和模型优化模块：所述人脸采集模块若干人脸头像，并裁剪成只包括人脸部分的相同尺寸，以待网络模型训练与测试；所述模型架构搜索模块：主要有搜索空间、搜索策略和网络性能评价三方面内容；搜索空间包括3x3深度可分离卷积、3x3普通卷积、3x3最大值池化、3x3均值池化、跳层连接、批标准化、ReLU激活函数。本发明的有益效果：针对传统神经网络结构是由图像领域专家花费大量精力设计出来的，并且经过了无数的实验和测试才能确定这个网络结构。

Description

基于人脸识别的电脑账户登录的方法
技术领域
本发明涉及人脸识别领域，具体涉及一种基于人脸识别的电脑账户登录的方法。
背景技术
深度学习在图像分类中取得的成功主要因为分层特征提取器是以端到端的形式从数据中学习，即无需手工设计特征提取器；并且神经网络具有更强的特征曲线拟合性。采用深度学习进行人脸识别的网络模型，需要具有相关经验的专家进行设计，主要为卷积层结合全连接层的结构。其中，卷积层原理是通过卷积核提取底层图像的局部特征，高层组合成更加抽象的全局特征；最后的全连接层依据特征进行目标分类。
传统技术存在以下技术问题：
完全基于人工设计的神经网络结构一般包括以下关键流程：1)由已知的操作算子如卷积、池化、批标准化等设计网络拓扑结构，2)在所给定训练集上训练该网络至收敛，3)在测试集上测试该网络收敛结果，4)根据测试指标决定该网络结构是否满足要求，5)不满足要求的需返回步骤1)优化网络拓扑结构。其中，步骤5)需要消耗大量的人力和时间，而且探索网络结构时更多的来自于专家经验，缺乏明确理论指导。
发明内容
本发明要解决的技术问题是提供一种基于人脸识别的电脑账户登录的方法，针对卷积网络结构只能由相关经验的专家来设计的缺点。网络结构搜索采用特定的搜索策略在设置好的搜索空间中，通过对搜索到的网络模型进行训练并评估其性能，挑选出最符合预定目标的网络模型。
为了解决上述技术问题，本发明提供了一种人脸识别的装置，包括：人脸采集模块、模型架构搜索模块和模型优化模块：所述人脸采集模块若干人脸头像，并裁剪成只包括人脸部分的相同尺寸，以待网络模型训练与测试；
所述模型架构搜索模块：主要有搜索空间、搜索策略和网络性能评价三方面内容；搜索空间包括3x3深度可分离卷积、3x3普通卷积、3x3最大值池化、3x3均值池化、跳层连接、批标准化、ReLU激活函数；为了加快搜索速度，搜索策略搜索的不是整个网络的结构，而是单元模块的结构，最后按照预定的方式堆叠模块得到具体的网络模型；搜索策略采用基于梯度的算法在搜索空间中探索。
在其中一个实施例中，还包括：模型优化模块，所述模型优化模块采用TensorRT工具来优化模型结构。
在其中一个实施例中，性能评估阶段采用原始训练数据的一部分。
在其中一个实施例中，具体的搜索过程如下：
把离散的候选搜索空间替换成一个连续的搜索空间，在这种连续的空间中可以利用可微的性质，将搜索任务变化成目标函数的优化，通过梯度下降的方式来搜寻最优解；
将网络中两个节点之间的多种操作中每一个操作都赋予一个概率，这个概率是通过Softmax函数实现，以达到搜索空间的连续；
Figure BDA0002437508900000031
其中用O表示所有操作的集合(如卷积，池化等)，x(i)表示节点，o(i,j)表示从节点x(i)到节点y(j)的操作；每一对节点x(i)和y(j)之间的操作被参数化为α(i,j)，
Figure BDA0002437508900000032
表示的是混合操作；
网络最终的学习目标是最优结构α和权重w，将验证集上的性能看做最终的奖励或者拟合程度；Ltrain和Lval分别表示训练和验证的损失函数；这两个损失函数不仅决定了结构α而且也决定了网络中的权重w；结构的搜索目标是找到α*使得Lval(w*,α*)最小，其中w*通过最小化Ltrain得到，最终有：
min Lval(w*(α),α)
s.t.w*(α)＝argminwLtrain(w,α)
将离散空间连续化的过程中，使用到了O中的所有操作。
在其中一个实施例中，为了避免搜索到的网络结构过度臃肿，在搜索完成后，可以选择概率最大的操作作为节点间的唯一操作
Figure BDA0002437508900000033
一种基于人脸识别的电脑账户登录的方法，包括：将读取到的人脸图像输入到上述人脸识别的装置中进行身份判别。
在其中一个实施例中，将读取到的人脸图像经过去噪、尺寸归一化处理后输入到人脸识别的装置中进行身份判别。
基于同样的发明构思，本申请还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现任一项所述方法的步骤。
基于同样的发明构思，本申请还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现任一项所述方法的步骤。
基于同样的发明构思，本申请还提供一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行任一项所述的方法。
本发明的有益效果：
针对传统神经网络结构是由图像领域专家花费大量精力设计出来的，并且经过了无数的实验和测试才能确定这个网络结构。网络模型搜索方法可以把工程师从手工设计卷积神经网络模型的工作中解放出来，让工程师有更多的时间处理其它的问题，节约人力资源，提升工作效率。
附图说明
图1是本发明基于人脸识别的电脑账户登录的方法中网络模型搜索的整个过程。
图2是本发明基于人脸识别的电脑账户登录的方法的流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
参阅图1和图2，图1展示了网络模型搜索的整个过程，搜索策略从搜索空间A中挑选出一个网络模型B，然后性能评估策略对网络模型B进行性能评估，搜索策略根据网络模型B及其性能评估结果进行下一轮的搜索，不断重复以上过程，直到搜索出符合要求的网络模型。
一种基于人脸识别的电脑账户登录的方法。整个过程涉及人类采集、模型架构搜索、模型优化加速。
人脸采集模块：通过手机或相机采集电脑账户使用者若干人脸头像，并裁剪成只包括人脸部分的相同尺寸，以待网络模型训练与测试。
模型架构搜索模块：主要有搜索空间、搜索策略和网络性能评价三方面内容。搜索空间包括3x3深度可分离卷积、3x3普通卷积、3x3最大值池化、3x3均值池化、跳层连接、批标准化、ReLU激活函数。为了加快搜索速度，搜索策略搜索的不是整个网络的结构，而是单元模块的结构，最后按照预定的方式堆叠模块得到具体的网络模型。搜索策略采用基于梯度的算法在搜索空间中探索，避免了强化学习、遗传算法在离散空间探索慢的缺点。性能评估阶段采用原始训练数据的一部分，虽然存在偏差，但用低保真的训练集来测试优化算法会大大降低计算时间，并且选择最优的架构并不需要绝对数值，只需要有相对值就可以进行排序选优。
模型优化模块：基于深度学习框架进行模型推理的速度比较低效。需采用TensorRT工具来优化模型结构，提升推理速度，满足实时的检测效果，同时占用的设备内存也会更加的少，功耗更低。
最后得到满足性能要求的人脸识别网络模型。
基于人脸识别的电脑账户登录的方法(图2)，步骤如下：
(1)当需要登录电脑时，可以点击某快捷键；
(2)然后电脑会开启摄像头读取人脸，将读取到的人脸图像经过去噪、尺寸归一化处理后，输入网络模型中进行身份判别；
(3)如果身份判别通过，则电脑账户登录成功；
(4)如果身份判别不通过，则重新读取人脸图像，三次均未通过，则电脑账户锁定。
具体的搜索过程如下：
把离散的候选搜索空间替换成一个连续的搜索空间，在这种连续的空间中可以利用可微的性质，将搜索任务变化成目标函数的优化，通过梯度下降的方式来搜寻最优解。
将网络中两个节点之间的多种操作中每一个操作都赋予一个概率，这个概率是通过Softmax函数实现，以达到搜索空间的连续。
Figure BDA0002437508900000061
其中用O表示所有操作的集合(如卷积，池化等)，x(i)表示节点，o(i,j)表示从节点x(i)到节点y(j)的操作。每一对节点x(i)和y(j)之间的操作被参数化为α(i,j)，
Figure BDA0002437508900000062
表示的是混合操作。
网络最终的学习目标是最优结构α和权重w，将验证集上的性能看做最终的奖励或者拟合程度。Ltrain和Lval分别表示训练和验证的损失函数。这两个损失函数不仅决定了结构α而且也决定了网络中的权重w。结构的搜索目标是找到α*使得Lval(w*,α*)最小，其中w*通过最小化Ltrain得到，最终有：
min Lval(w*(α),α)
s.t.w*(α)＝argminwLtrain(w,α)
将离散空间连续化的过程中，使用到了O中的所有操作，为了避免搜索到的网络结构过度臃肿，在搜索完成后，可以选择概率最大的操作作为节点间的唯一操作
Figure BDA0002437508900000063
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。

Claims (10)

1.一种人脸识别的装置，其特征在于，包括：人脸采集模块、模型架构搜索模块和模型优化模块：所述人脸采集模块若干人脸头像，并裁剪成只包括人脸部分的相同尺寸，以待网络模型训练与测试；
所述模型架构搜索模块：主要有搜索空间、搜索策略和网络性能评价三方面内容；搜索空间包括3x3深度可分离卷积、3x3普通卷积、3x3最大值池化、3x3均值池化、跳层连接、批标准化、ReLU激活函数；为了加快搜索速度，搜索策略搜索的不是整个网络的结构，而是单元模块的结构，最后按照预定的方式堆叠模块得到具体的网络模型；搜索策略采用基于梯度的算法在搜索空间中探索。
2.如权利要求1所述的人脸识别的装置，其特征在于，还包括：模型优化模块，所述模型优化模块采用TensorRT工具来优化模型结构。
3.如权利要求1所述的人脸识别的装置，其特征在于，性能评估阶段采用原始训练数据的一部分。
4.如权利要求1所述的人脸识别的装置，其特征在于，具体的搜索过程如下：
把离散的候选搜索空间替换成一个连续的搜索空间，在这种连续的空间中可以利用可微的性质，将搜索任务变化成目标函数的优化，通过梯度下降的方式来搜寻最优解；
将网络中两个节点之间的多种操作中每一个操作都赋予一个概率，这个概率是通过Softmax函数实现，以达到搜索空间的连续；
Figure FDA0002437508890000011
其中用O表示所有操作的集合(如卷积，池化等)，x(i)表示节点，o(i,j)表示从节点x(i)到节点y(j)的操作；每一对节点x(i)和y(j)之间的操作被参数化为α(i,j)，
Figure FDA0002437508890000021
表示的是混合操作；
网络最终的学习目标是最优结构α和权重w，将验证集上的性能看做最终的奖励或者拟合程度；Ltrain和Lval分别表示训练和验证的损失函数；这两个损失函数不仅决定了结构α而且也决定了网络中的权重w；结构的搜索目标是找到α*使得Lval(w*,α*)最小，其中w*通过最小化Ltrain得到，最终有：
min Lval(w*(α),α)
s.t.w*(α)＝arg minwLtrain(w,α)
将离散空间连续化的过程中，使用到了O中的所有操作。
5.如权利要求1所述的人脸识别的装置，其特征在于，为了避免搜索到的网络结构过度臃肿，在搜索完成后，可以选择概率最大的操作作为节点间的唯一操作
Figure FDA0002437508890000022
6.一种基于人脸识别的电脑账户登录的方法，其特征在于，包括：将读取到的人脸图像输入到权利要求书1到5的人脸识别的装置中进行身份判别。
7.如权利要求6所述的基于人脸识别的电脑账户登录的方法，其特征在于，将读取到的人脸图像经过去噪、尺寸归一化处理后输入到人脸识别的装置中进行身份判别。
8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求6到7任一项所述方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求6到7任一项所述方法的步骤。
10.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求6到7任一项所述的方法。
CN202010256430.5A 2020-04-02 2020-04-02 基于人脸识别的电脑账户登录的方法 Active CN111428224B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010256430.5A CN111428224B (zh) 2020-04-02 2020-04-02 基于人脸识别的电脑账户登录的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010256430.5A CN111428224B (zh) 2020-04-02 2020-04-02 基于人脸识别的电脑账户登录的方法

Publications (2)

Publication Number Publication Date
CN111428224A true CN111428224A (zh) 2020-07-17
CN111428224B CN111428224B (zh) 2023-10-13

Family

ID=71555607

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010256430.5A Active CN111428224B (zh) 2020-04-02 2020-04-02 基于人脸识别的电脑账户登录的方法

Country Status (1)

Country Link
CN (1) CN111428224B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112101525A (zh) * 2020-09-08 2020-12-18 南方科技大学 一种通过nas设计神经网络的方法、装置和系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109063666A (zh) * 2018-08-14 2018-12-21 电子科技大学 基于深度可分离卷积的轻量化人脸识别方法及系统
CN109242865A (zh) * 2018-09-26 2019-01-18 上海联影智能医疗科技有限公司 基于多图谱的医学图像自动分区系统、方法、装置及存储介质
CN109344740A (zh) * 2018-09-12 2019-02-15 上海了物网络科技有限公司 人脸识别系统、方法及计算机可读存储介质
CN110543872A (zh) * 2019-09-12 2019-12-06 云南省水利水电勘测设计研究院 一种基于全卷积神经网络的无人机影像建筑物屋顶提取方法
CN110659721A (zh) * 2019-08-02 2020-01-07 浙江省北大信息技术高等研究院 一种目标检测网络的构建方法和系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109063666A (zh) * 2018-08-14 2018-12-21 电子科技大学 基于深度可分离卷积的轻量化人脸识别方法及系统
CN109344740A (zh) * 2018-09-12 2019-02-15 上海了物网络科技有限公司 人脸识别系统、方法及计算机可读存储介质
CN109242865A (zh) * 2018-09-26 2019-01-18 上海联影智能医疗科技有限公司 基于多图谱的医学图像自动分区系统、方法、装置及存储介质
CN110659721A (zh) * 2019-08-02 2020-01-07 浙江省北大信息技术高等研究院 一种目标检测网络的构建方法和系统
CN110543872A (zh) * 2019-09-12 2019-12-06 云南省水利水电勘测设计研究院 一种基于全卷积神经网络的无人机影像建筑物屋顶提取方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112101525A (zh) * 2020-09-08 2020-12-18 南方科技大学 一种通过nas设计神经网络的方法、装置和系统

Also Published As

Publication number Publication date
CN111428224B (zh) 2023-10-13

Similar Documents

Publication Publication Date Title
Gao et al. Balanced semisupervised generative adversarial network for damage assessment from low‐data imbalanced‐class regime
CN109635677B (zh) 基于多标签分类卷积神经网络的复合故障诊断方法及装置
CN113657465B (zh) 预训练模型的生成方法、装置、电子设备和存储介质
CN110782015A (zh) 神经网络的网络结构优化器的训练方法、装置及存储介质
CN111047563B (zh) 一种应用于医学超声图像的神经网络构建方法
CN112052948B (zh) 一种网络模型压缩方法、装置、存储介质和电子设备
CN111967594A (zh) 一种神经网络压缩方法、装置、设备及存储介质
JPH1196010A (ja) 分類装置
CN112685504B (zh) 一种面向生产过程的分布式迁移图学习方法
WO2008016109A1 (fr) Procédé d'optimisation de jeu de données d'apprentissage pour dispositif d'identification du signal et dispositif d'identification du signal capable d'optimiser le jeu de données d'apprentissage
CN110705573A (zh) 一种目标检测模型的自动建模方法及装置
CN110598065A (zh) 一种数据挖掘方法、装置和计算机可读存储介质
CN114373101A (zh) 基于进化策略的神经网络架构搜索的图像分类方法
CN112818893A (zh) 一种面向移动终端的轻量化开集地标识别方法
JP6844564B2 (ja) 検査システム、識別システム、及び学習データ生成装置
CN103886030A (zh) 基于代价敏感决策树的信息物理融合系统数据分类方法
CN112667071A (zh) 基于随机变分信息的手势识别方法、装置、设备及介质
CN114882497A (zh) 一种基于深度学习算法实现水果分类识别的方法
CN111428224A (zh) 基于人脸识别的电脑账户登录的方法
CN112070205A (zh) 一种多损失模型获取方法以及装置
CN116028893A (zh) 一种智能化数据监测方法、系统及电子设备
KR20210071378A (ko) 확장형 카테고리를 위한 계층적 객체 검출 방법
CN115410250A (zh) 阵列式人脸美丽预测方法、设备及存储介质
CN114462526A (zh) 一种分类模型训练方法、装置、计算机设备及存储介质
CN112926952A (zh) 结合云计算的大数据办公业务处理方法及大数据服务器

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB03 Change of inventor or designer information

Inventor after: Ma Xiang

Inventor after: Gao Wenqiang

Inventor after: Yan Liping

Inventor after: Zhang Yaoying

Inventor before: Ma Xiang

Inventor before: Yu Yongtao

Inventor before: Gao Wenqiang

Inventor before: Yan Liping

Inventor before: Zhang Yaoying

CB03 Change of inventor or designer information
GR01 Patent grant
GR01 Patent grant